如何用矩阵绘制聚类?

时间:2014-05-10 10:49:50

标签: r cluster-analysis data-mining

我有一个文档数据集,我将其转换为矩阵并运行k-means聚类,如何绘制图形以显示带有矩阵的聚类?

k<-5
kmeansResult<-kmeans(m3,k)
plot(m3, col = kmeansResult$cluster)
points(kmeansResult$centers, col = 1:5, pch = 8, cex = 5)

enter image description here

1 个答案:

答案 0 :(得分:5)

正如评论中所提到的,问题在于您的数据集可能具有&gt; 2个维度(多于2个变量),而您的图表限制为2个(或可能是3个)维度。因此需要减少某种维数。典型的方法是对原始数据运行主成分分析,然后绘制由簇组织的前两个PC。因此,有三种方法可以在R中执行此操作,使用mtcars数据集作为示例。

df     <- mtcars[,c(1,3,4,5,6,7)]      # subset of mtcars dataset
set.seed(1)                            # for reproducible example
km <- kmeans(df,centers=3)             # k-means, 3 clusters
# using package cluster
library(cluster)
clusplot(df,km$cluster)

# using package ade4
library(ade4)
pca    <-prcomp(df, scale.=T, retx=T)  # principal components analysis
plot.df <- cbind(pca$x[,1], pca$x[,2]) # first and second PC
s.class(plot.df, factor(km$cluster))

# ggplot solution
pca    <-prcomp(df, scale.=T, retx=T)  # principal components analysis
# gg: data frame of PC1 and PC2 scores with corresponding cluster
gg <- data.frame(cluster=factor(km$cluster), x=scores$PC1, y=scores$PC2)
# calculate cluster centroid locations
centroids <- aggregate(cbind(x,y)~cluster,data=gg,mean)
# merge centroid locations into ggplot dataframe
gg <- merge(gg,centroids,by="cluster",suffixes=c("",".centroid"))
# calculate 95% confidence ellipses
library(ellipse)
conf.rgn  <- do.call(rbind,lapply(1:3,function(i)
  cbind(cluster=i,ellipse(cov(gg[gg$cluster==i,2:3]),centre=as.matrix(centroids[i,2:3])))))
conf.rgn  <- data.frame(conf.rgn)
conf.rgn$cluster <- factor(conf.rgn$cluster)
# plot cluster map
library(ggplot2)
ggplot(gg, aes(x,y, color=cluster))+
  geom_point(size=3) +
  geom_point(data=centroids, size=4) +
  geom_segment(aes(x=x.centroid, y=y.centroid, xend=x, yend=y))+
  geom_path(data=conf.rgn)

请注意,这三个选项都提供了不同的省略号!这是因为它们的定义不同。默认情况下,clusplot(...)生成“最小体积椭圆”,其具有正确的中心和方向,但其大小足以包围群集中的所有点。 s.plot(...)根据可以在调用的参数中设置的比例因子生成省略号。 ggplot(...)解决方案生成椭圆,每个聚类的置信区域为95%(假设每个聚类中的点遵循二元正态分布)。从中可以看出,簇明显重叠;也就是说,有几点可能属于多个集群。这样可以更真实地表达数据,IMO,这是我更喜欢它的原因之一,尽管显然它更有用。